CN112149796A - 基于改进遗传算法优化bp神经网络的驾驶风格辨识方法 - Google Patents
基于改进遗传算法优化bp神经网络的驾驶风格辨识方法 Download PDFInfo
- Publication number
- CN112149796A CN112149796A CN202010811106.5A CN202010811106A CN112149796A CN 112149796 A CN112149796 A CN 112149796A CN 202010811106 A CN202010811106 A CN 202010811106A CN 112149796 A CN112149796 A CN 112149796A
- Authority
- CN
- China
- Prior art keywords
- neural network
- driving
- value
- genetic algorithm
- driver
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 87
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 61
- 230000002068 genetic effect Effects 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000003064 k means clustering Methods 0.000 claims abstract description 10
- 238000004088 simulation Methods 0.000 claims abstract description 5
- 238000002474 experimental method Methods 0.000 claims abstract description 4
- 238000012216 screening Methods 0.000 claims abstract description 4
- 210000000349 chromosome Anatomy 0.000 claims description 21
- 108090000623 proteins and genes Proteins 0.000 claims description 15
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 206010064571 Gene mutation Diseases 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000013461 design Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W40/09—Driving style or behaviour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了基于改进遗传算法优化BP神经网络的驾驶风格辨识方法，通过实验及仿真采集被试驾驶人的驾驶数据，对每个驾驶人的驾驶数据进行筛选，剔除不合理的驾驶数据且提取出能反映每个驾驶人驾驶风格的特征参数；基于K‑均值聚类算法对驾驶数据进行聚类，根据聚类结果将驾驶员的驾驶类型定义为激进型、一般型和谨慎型；读取驾驶人经S3聚类分出驾驶类型及驾驶人的特征参数值构建BP神经网络的拓扑结构，用改进后的遗传算法对BP神经网络的权值和阈值进行优化，将优化后的BP神经网络的权值和阈值赋值给BP神经网络；最后对优化后的BP神经网络进行训练和测试，识别驾驶风格。
Description
技术领域
本发明属于驾驶风格识别技术领域，特别涉及了一种基于改进遗传算法优化BP神经网络的驾驶风格辨识方法。
背景技术
先进驾驶辅助系统(Advanced Driver Assistance System,ADAS)是指依靠车载传感系统进行环境感知并对驾驶员进行驾驶操作辅助的系统。通过驾驶辅助系统有利于减少交通事故的发生、提高驾驶安全、提升交通通行能力。但目前的辅助驾驶系统设计模式单一，无法满足不同驾驶人的个体差异性，降低了驾驶人对驾驶辅助系统的接受度和满意度。驾驶人风格一般分为激进型、一般型和谨慎型三类，面对相同驾驶工况时不同驾驶风格的驾驶人会表现出不同的反应。对驾驶人驾驶风格进行研究有利于实现智能汽车的类“人”驾驶和类“我”驾驶，从而提高驾驶人对ADAS系统的认可度和使用率。因此驾驶人驾驶风格辨识方法应用于ADAS系统中具有十分重要的意义。
目前众多人工智能算法被广泛应用于模式识别与分类，主要包括：神经网络(Neural Network)、支持向量机(Support Vector Machine，SVM)、隐马尔科夫模型(HiddenMarkov Model,HMM)和随机森林(Random Forest)等等，这几种算法都有各自的优缺点。其中BP神经网络具有较强的非线性映射能力、高度自学习和自适应能力等优点，但基于最速下降法的核心思想导致BP网络必然存在易陷入局部最小值、泛化能力较低、收敛速度较慢等缺点。
遗传算法(Genetic Algorithm，GA)是一种进行寻优的智能算法，可以通过遗传算法对BP神经网络的权值和阈值进行优化，提升识别率，但标准的遗传算法易陷入局部极值且收敛速度慢。通过改进标准遗传算法的适应度函数和交叉算子提升算法的寻优能力，并用改进的遗传算法优化BP神经网络，得到最优的初始权值和阈值，从而对驾驶员驾驶风格进行识别，不仅提高算法的收敛速度，而且提升驾驶风格的辨识准确度。
从目前国内外学者主要研究内容看，研究人员在安全辅助驾驶系统的开发、自动驾驶系统的设计以及车辆能量控制等方面逐渐考虑驾驶风格的影响，所以对驾驶员的驾驶风格进行研究来提高驾驶员对智能汽车辅助驾驶系统的接受度和满意度是研究的热点。
发明内容
为了解决现有技术中的不足，本发明提出了基于改进遗传算法优化BP神经网络的驾驶风格辨识方法，采用改进遗传算法优化BP神经网络对驾驶员驾驶风格进行识别。
本发明所采用的技术方案如下：
基于改进遗传算法优化BP神经网络的驾驶风格辨识方法，包括如下步骤：
S1、通过实验及仿真采集被试驾驶人的驾驶数据，驾驶数据包括方向盘转角、纵向加速度、纵向车速、油门踏板开度、刹车踏板开度、车辆纵向位移、车辆侧向位移等。
S2、对每个驾驶人的驾驶数据进行筛选，剔除不合理的驾驶数据且提取出能反映每个驾驶人驾驶风格的特征参数；
S3、基于K-均值聚类算法对驾驶数据进行聚类，根据聚类结果将驾驶员的驾驶类型定义为激进型、一般型和谨慎型；
S4、读取驾驶人经S3聚类分出驾驶类型及驾驶人的特征参数值构建BP神经网络的拓扑结构，用改进后的遗传算法对BP神经网络的权值和阈值进行优化，将优化后的BP神经网络的权值和阈值赋值给BP神经网络；最后对优化后的BP神经网络进行训练和测试，识别驾驶风格。
进一步，S2中将驾驶人行驶出规定道路和驾驶人未按照规定行驶速度驾驶这两种情形下驾驶人所对应的驾驶数据作为不合理数据并进行剔除。
进一步，所述特征参数包括平均速度、方向盘转角与车速的比值、方向盘转角标准差，
进一步，平均速度是纵向车速数据的平均值，表示为：
其中，
是平均纵向车速，Vi是所测得各个时间点的速度值；N是所测得的车速样本数；
方向盘转角与纵向车速比值，表示为：
其中，k是方向盘转角与纵向车速比值的最大值，θi是i时刻所测得的方向盘转角；
方向盘转角标准差，表示为：
其中，σθ是方向盘转角标准差，N是所测得方向盘转角个数，
是方向盘转角平均值。
进一步，使用K-均值聚类算法对驾驶类型进行聚类的方法为：
S3.1、将每个驾驶人的驾驶数据作为聚类的样本xi＝(xi1,xi2,xi3)T，xi1,xi2,xi3分别是第i个驾驶人的平均速度、方向盘转角与车速的比值、方向盘转角标准差，设定要聚成的类数k＝3，分别代表驾驶类型为激进型、一般型和谨慎型；
S3.2、随机选定3个初始聚类中心，计算每个样本点跟每个初始聚类中心的欧式距离的平方，以欧式距离的平方最小为原则，把样本划分为3簇；
S3.3、计算各簇中样本点的平均值，将该平均值作为新的聚类中心，然后重复执行S3.2更新聚类，直到达到终止迭代条件为止。
进一步，用改进后的遗传算法对BP神经网络的权值和阈值进行优化的过程为：
S4.1、构建BP神经网络的拓扑结构，
S4.2、使用实数编码方式对BP神经网络的权值和阈值编码，得到初始种群；
S4.3、解码得到权值和阈值，并将权值和阈值赋值给新建的BP神经网络，使用训练样本训练BP神经网络，使用测试样本测试BP神经网络；把实际输出和期望输出之间的误差绝对值作为个体目标函数Error(j)，计算公式为：
Error(j)＝||Y(j)-O(j)||,j＝1,2,3,…,M
其中，Error(j)是第j个个体的目标函数，Y(j)是第j个个体测试数据的实际输出，O(j)是第j个个体测试数据的期望输出，第j个个体和第j个个体的目标函数一一对应，将M个Error(j)，j＝1,2,3,...,M组成一个列向量Error，Error作为改进的遗产算法的目标函数进行优化，目标函数收敛于最大迭代次数所对应的最小值之前，用改进的遗传算法对BP神经网络的权值和阈值进行优化；
S4.4、采用改进的适应度函数计算适应度值使用改进的遗传算法获得最优权值和阈值的步骤如下：
S4.4.1、采用改进的适应度函数计算适应度值，经过改进调整后染色体的适应度值f′j为：
式中：fj为染色体j的适应度值；种群适应度的平均值fa和方差σ分别为：
M为种群规模；
S4.4.2、选择适应度高的染色体进行复制，采用遗传算法选择操作中常用的轮盘赌法进行选择，根据个体适应度比例的选择策略对种群的个体进行选择，选择适应度值较高的个体，第个体j的选择概率：
Fj为轮盘赌法的选择概率
n为选择算子系数；
S4.4.3、基于改进的交叉算子进行交叉操作，随机选择子种群中的2个个体，2个个体间对应待优化变量进行交换，获得新的子种群；改进的交叉算子表示为：
式中：amj和anj分别表示第m个和第n个染色体上的第j位基因；a'mj和a'nj分别表示交叉后第m个和第n个染色体上的第j位基因；r为交叉系数；
S4.4.4、变异操作，随机选择子种群中的1个个体按照一定概率发生变异产生新个体，变异概率的取值在0-1之间，基因变异的操作为：
其中，a″kl为第k个染色体第l位进行变异后的基因，a'kl为交叉后基因；a'max和a'min分别为交叉后基因a'kl取值的上、下界；f(g)为随机数，f(g)＝λ1(1-g/G)，λ和λ1取值均为[0,1]上的随机数；g为当前进化次数；G为最大进化次数；
S4.4.5、将子种群重插入原始种群中原始数据对应位置，将子种群目标函数重插入原始目标函数，获得新种群和新目标函数，将新种群目标函数中的最小值作为第1代最优解，其所对应的个体即为第1代最优权值和阈值；
S4.4.6、设定终止条件为达到最大迭代次数，当满足终止条件则对最优个体进行解码输出最佳神经网络权值和阈值；否则重新赋值给新建的BP神经网络，重复步骤S4.3-S4.4。
进一步，构建BP神经网络的拓扑结构：读取聚类分出的3种驾驶类型及其对应的特征参数值，将特征参数值作为BP神经网络的输入，驾驶类型作为期望输出；由输入和期望输出来确定BP神经网络的拓扑结构。
S4.5、将经过改进的遗传算法优化得到的最佳权值和阈值赋给新建的BP神经网络，再次用训练样本对网络进行训练，用测试样本对该模型辨识效果进行验证。
本发明的有益效果：
(1)本发明提出一种基于改进遗传算法优化BP神经网络的驾驶风格辨识方法，其有益效果在于使用改进后的遗传算法对BP神经网络的权值和阈值进行优化，优化后的BP神经网络对驾驶员风格进行识别，与传统的遗传算法相比，改进后的遗传算法收敛速度更快，有效降低了陷入局部极值的发生率；
(2)本发明与传统的BP神经网络相比，用改进遗传算法优化后的BP神经网络识别率更高，鲁棒性更强。
(3)本发明为识别驾驶员驾驶风格提供了新方法与新思路，在智能驾驶辅助技术领域以及相关的无人驾驶系统设计中均有良好的应用前景。
附图说明
图1是本发明的驾驶风格辨识方法流程图；
图2是本发明的K-均值聚类算法流程图；
图3是本发明的驾驶风格辨识流程图；
图4是本发明的BP神经网络拓扑结构图；
图5是本发明的基于改进遗传算法优化BP神经网络算法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。
如图1所示的本发明所提出的基于改进遗传算法优化BP神经网络的驾驶风格辨识方法的运行流程，通过互联网方式招募178名不同年龄、驾龄、性别的驾驶人，进行驾驶模拟器采集驾驶数据，对采集的数据进行处理与分析，提取驾驶风格的表征特征参数，然后利用K-均值聚类算法对驾驶人进行“标签”分类，最后根据驾驶风格辨识方法对驾驶员类型进行识别。
本发明的具体实施过程包括如下：
S1、搭建驾驶员在环仿真平台，试验设备包括显示屏、驾驶座椅、罗技G29力反馈方向盘及其一系列组件，其中，显示屏和力反馈方向盘组件与电脑相连；通过Prescan道路场景搭建包含不同长度的直线道路以及不同曲率的弯道的试验道路，并将该试验场景以驾驶员视角投影在显示屏上。通过实验及仿真采集被试驾驶人的驾驶数据，驾驶数据包括方向盘转角、纵向加速度、纵向车速、油门踏板开度、刹车踏板开度、车辆纵向位移、车辆侧向位移。本实施例中的驾驶人采用互联网渠道招募，根据所招募的驾驶人的基本信息如其年龄、性别、职业、驾龄、驾驶类型、驾驶里程、有无交通事故发生等对驾驶人进行筛选，最终形成由178名不同年龄、不同驾龄、不同性别的驾驶人作为试验样本。
S2、对每个驾驶人的驾驶数据进行筛选，将驾驶人行驶出规定道路和驾驶人未按照规定行驶速度驾驶这两种情形下驾驶人所对应的驾驶数据作为不合理数据并进行剔除。对符合要求的驾驶人的驾驶数据进行处理并提取出能反映每个驾驶人驾驶风格的特征参数；特征参数包括平均速度、方向盘转角与车速的比值、方向盘转角标准差。本事实例中特征参数确定方法为：
S2.1、平均速度的确定。纵向车速和加速度是驾驶风格的两个重要表现，一般地，谨慎型驾驶员通常行驶车速比较低，不会频繁的加减速；激进型驾驶员会追求道路允许车速范围内的较高车速，会频繁的加减速；一般型驾驶员的驾驶车速介于谨慎型和激进型两者之间，但是由于模拟器设备采集的加速度易受其他因素干扰，所以选取平均速度作为表征驾驶风格的参数之一，将采集到的纵向车速数据求平均值，如下：
其中，
是平均纵向车速，Vi是所测得各个时间点的速度值；N是所测得的车速样本数。
S2.2、方向盘转角与纵向车速比值的确定。方向盘转角与纵向车速的比值可以反映驾驶员操作的变化幅度。一般地，在进行转向操作时，谨慎型驾驶员转动方向盘转角比较小，而激进型驾驶员会转动较大的方向盘转角，一般型介于两者之间，所以选择方向盘转角与纵向车速比值的最大值表征驾驶人的驾驶风格。如下：
其中，k是方向盘转角与纵向车速比值的最大值，Vi是i时刻所测得的速度值，θi是i时刻所测得的方向盘转角。
S2.3、方向盘转角标准差的确定。方向盘转角标准差可以用来评价驾驶人的转向操纵稳定性。谨慎的驾驶员不会出现频繁的转向操作，而激进型驾驶员倾向于频繁的转向操作，一般型驾驶员介于两者之间，所以选择方向盘转角标准差作为驾驶特征参数，计算公式如下：
其中，σθ是方向盘转角标准差，N是所测得方向盘转角个数，θi是i时刻测得的方向盘转角值，
是方向盘转角平均值。
S3、基于K-均值聚类算法对驾驶数据进行聚类，给驾驶人贴“标签”；
基于S2中提取的每个驾驶人的特征参数组成样本集D＝{x1,x2,...,x178}，其中包含了178名驾驶人的驾驶数据，每个样本xi＝(xi1,xi2,xi3)T是一个3维的特征向量，xi1,xi2,xi3分别是第i个驾驶人的平均速度、方向盘转角与车速的比值、方向盘转角标准差，采用软件MATLAB编写K-均值聚类算法的程序，将样本集D划分为3类，根据聚类结果将驾驶员的驾驶类型定义为激进型、一般型和谨慎型；其中，K-均值聚类算法的流程图如图2所示，其具体流程如下：
S3.1、将178名不同驾驶人的驾驶数据作为聚类的样本，即D＝{x1,x2,...,x178}，其中每个变量xi＝(xi1,xi2,xi3)T是一个3维的特征向量，分别为第i个驾驶人对应的平均速度、方向盘转角与车速的比值、方向盘转角标准差这3个特征值，确定参加聚类的样本点总数N＝178和要聚成的类数k＝3；
S3.2、从178个样本点中随机选定3个初始聚类中心，然后计算每个样本点跟每个初始聚类中心的欧式距离的平方，以欧式距离的平方最小为原则，把样本划分为3簇；
S3.3、计算各簇中样本点的平均值，将该平均值作为新的聚类中心，然后重复执行S3.2更新聚类，直到达到终止迭代条件为止。
S4、如图3所示，采用改进遗传算法优化BP神经网络的驾驶风格辨识过程为：首先读取聚类分出的3种驾驶类型及其对应的特征参数值，将3种驾驶类型分别用1、2、3标记，将每个驾驶人的驾驶类型以及其对应的3个特征参数组成数据集矩阵，并存入MATLAB的mat文件中，取数据的第2维到第4维作为BP神经网络的输入，第1维标签作为期望输出；由以上的输入和期望输出来确定BP神经网络的拓扑结构，对BP神经网络权值和阈值编码，得到初始种群；接着用改进后的遗传算法对BP神经网络的权值和阈值进行优化，将优化后的BP神经网络的权值和阈值赋值给BP神经网络；最后对优化后的BP神经网络进行训练和测试，识别驾驶风格。具体过程如下：
S4.1、构建BP神经网络的拓扑结构，具体过程为：由输入和期望输出确定BP神经网络，其中，输入层节点数m为3，输出层节点数n为1，隐含层节点数用经验公式确定：
其中h表示隐含层节点数，m表示输入层节点数，n表示输出层节点数，a表示1-10之间的调节常数，将隐含层设置为10，所以BP神经网络的拓扑结构为3-10-1，输入层包括：平均速度、方向盘转角与车速的比值和方向盘转角标准差，输出层为驾驶人的类型，具体拓扑结构如图4所示。
S4.2、使用实数编码方式对BP神经网络的权值和阈值编码，得到初始种群；
S4.3、解码得到权值和阈值，并将权值和阈值赋值给新建的BP神经网络，使用训练样本训练BP神经网络，使用测试样本测试BP神经网络；把实际输出和期望输出之间的误差绝对值作为个体目标函数Error(j)，计算公式为：
Error(j)＝||Y(j)-O(j)||,j＝1,2,3,…,M
其中，Error(j)是第j个个体的目标函数，Y(j)是第j个个体测试数据的实际输出，O(j)是第j个个体测试数据的期望输出，第j个个体和第j个个体的目标函数一一对应，将M个Error(j)，j＝1,2,3,...,M组成一个列向量Error，Error作为改进的遗产算法的目标函数进行优化，目标函数收敛于最大迭代次数所对应的最小值之前，用改进的遗传算法对BP神经网络的权值和阈值进行优化。
S4.4、如图5使用改进的遗传算法获得最优权值和阈值的步骤如下：
S4.4.1、采用改进的适应度函数计算适应度值。种群适应度值为目标函数的倒数，即：
定义种群适应度的平均值fa和方差σ分别为：
式中：fj为染色体j的适应度值；M为种群规模。
经过改进调整后染色体的适应度值f′j为：
S4.4.2、选择适应度高的染色体进行复制。采用遗传算法选择操作中常用的轮盘赌法进行选择，根据个体适应度比例的选择策略对种群的个体进行选择，选择适应度值较高的个体。每个个体被选中的概率为：
其中：
式中：Pj为个体j的选择概率；Fj为轮盘赌法的选择概率；n为选择算子系数。
S4.4.3、交叉操作：从种群中选择不同的个体进行交叉组合形成新个体，进而增加种群的多样性。基于改进的交叉算子，随机选择子种群中的2个个体，2个个体间对应待优化变量进行交换，获得新的子种群；改进的交叉算子表示为：
式中：amj和anj分别表示第m个和第n个染色体上的第j位基因；a'mj和a'nj分别表示交叉后第m个和第n个染色体上的第j位基因；r为交叉系数，取值为[0,1]上的随机数。通过改进的交叉算子可使进化后期避免优良染色体的损失，加快最优解的搜寻。
S4.4.4、变异操作：随机选择子种群中的1个个体按照一定概率发生变异产生新个体，变异概率的取值在0-1之间，基因变异的操作为：
其中，f(g)＝λ1(1-g/G)，a″kl为第k个染色体第l位进行变异后的基因，a'kl为交叉后基因；a'max和a'min分别为交叉后基因a'kl取值的上、下界；f(g)为随机数，λ和λ1取值均为[0,1]上的随机数；g为当前进化次数；G为最大进化次数。
S4.4.5、将子种群重插入原始种群中原始数据对应位置，将子种群目标函数重插入原始目标函数，获得新种群和新目标函数，将新种群目标函数中的最小值作为第1代最优解，其所对应的个体即为第1代最优权值和阈值；
S4.4.6、设定终止条件为达到最大迭代次数，当满足终止条件则对最优个体进行解码输出最佳神经网络权值和阈值；否则重新赋值给新建的BP神经网络，重复步骤S4.3-S4.4。
S4.5、将经过改进的遗传算法优化得到的最佳权值和阈值赋给新建的BP神经网络，再次从178组数据中随机选取124组数据作为训练样本对网络进行训练，剩下的54组数据作为测试样本对该模型辨识效果进行验证。
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。
Claims (7)
1.基于改进遗传算法优化BP神经网络的驾驶风格辨识方法，其特征在于，包括如下步骤：
S1、通过实验及仿真采集被试驾驶人的驾驶数据，驾驶数据包括方向盘转角、纵向加速度、纵向车速、油门踏板开度、刹车踏板开度、车辆纵向位移、车辆侧向位移等。
S2、对每个驾驶人的驾驶数据进行筛选，剔除不合理的驾驶数据且提取出能反映每个驾驶人驾驶风格的特征参数；
S3、基于K-均值聚类算法对驾驶数据进行聚类，根据聚类结果将驾驶员的驾驶类型定义为激进型、一般型和谨慎型；
S4、读取驾驶人经S3聚类分出驾驶类型及驾驶人的特征参数值构建BP神经网络的拓扑结构，用改进后的遗传算法对BP神经网络的权值和阈值进行优化，将优化后的BP神经网络的权值和阈值赋值给BP神经网络；最后对优化后的BP神经网络进行训练和测试，识别驾驶风格。
2.根据权利要求1所述的基于改进遗传算法优化BP神经网络的驾驶风格辨识方法，其特征在于，S2中将驾驶人行驶出规定道路和驾驶人未按照规定行驶速度驾驶这两种情形下驾驶人所对应的驾驶数据作为不合理数据并进行剔除。
3.根据权利要求1所述的基于改进遗传算法优化BP神经网络的驾驶风格辨识方法，其特征在于，所述特征参数包括平均速度、方向盘转角与车速的比值、方向盘转角标准差。
4.根据权利要求3所述的基于改进遗传算法优化BP神经网络的驾驶风格辨识方法，其特征在于，平均速度是纵向车速数据的平均值，表示为：
其中，
是平均纵向车速，Vi是所测得各个时间点的速度值；N是所测得的车速样本数；
方向盘转角与纵向车速比值，表示为：
其中，k是方向盘转角与纵向车速比值的最大值，θi是i时刻所测得的方向盘转角；
方向盘转角标准差，表示为：
其中，σθ是方向盘转角标准差，N是所测得方向盘转角个数，
是方向盘转角平均值。
5.根据权利要求4所述的基于改进遗传算法优化BP神经网络的驾驶风格辨识方法，其特征在于，使用K-均值聚类算法对驾驶类型进行聚类的方法为：
S3.1、将每个驾驶人的驾驶数据作为聚类的样本xi＝(xi1,xi2,xi3)T，xi1,xi2,xi3分别是第i个驾驶人的平均速度、方向盘转角与车速的比值、方向盘转角标准差，设定要聚成的类数k＝3，分别代表驾驶类型为激进型、一般型和谨慎型；
S3.2、随机选定3个初始聚类中心，计算每个样本点跟每个初始聚类中心的欧式距离的平方，以欧式距离的平方最小为原则，把样本划分为3簇；
S3.3、计算各簇中样本点的平均值，将该平均值作为新的聚类中心，然后重复执行S3.2更新聚类，直到达到终止迭代条件为止。
6.根据权利要求4所述的基于改进遗传算法优化BP神经网络的驾驶风格辨识方法，其特征在于，用改进后的遗传算法对BP神经网络的权值和阈值进行优化的过程为：
S4.1、构建BP神经网络的拓扑结构，
S4.2、使用实数编码方式对BP神经网络的权值和阈值编码，得到初始种群；
S4.3、解码得到权值和阈值，并将权值和阈值赋值给新建的BP神经网络，使用训练样本训练BP神经网络，使用测试样本测试BP神经网络；把实际输出和期望输出之间的误差绝对值作为个体目标函数Error(j)，计算公式为：
Error(j)＝||Y(j)-O(j)||,j＝1,2,3,…,M
其中，Error(j)是第j个个体的目标函数，Y(j)是第j个个体测试数据的实际输出，O(j)是第j个个体测试数据的期望输出，第j个个体和第j个个体的目标函数一一对应，将M个Error(j)，j＝1,2,3,...,M组成一个列向量Error，Error作为改进的遗产算法的目标函数进行优化，目标函数收敛于最大迭代次数所对应的最小值之前，用改进的遗传算法对BP神经网络的权值和阈值进行优化；
S4.4、采用改进的适应度函数计算适应度值使用改进的遗传算法获得最优权值和阈值的步骤如下：
S4.4.1、采用改进的适应度函数计算适应度值，经过改进调整后染色体的适应度值fj'为：
式中：fj为染色体j的适应度值；种群适应度的平均值fa和方差σ分别为：
M为种群规模；
S4.4.2、选择适应度高的染色体进行复制，采用遗传算法选择操作中常用的轮盘赌法进行选择，根据个体适应度比例的选择策略对种群的个体进行选择，选择适应度值较高的个体，第个体j的选择概率：
Fj为轮盘赌法的选择概率
n为选择算子系数；
S4.4.3、基于改进的交叉算子进行交叉操作，随机选择子种群中的2个个体，2个个体间对应待优化变量进行交换，获得新的子种群；改进的交叉算子表示为：
式中：amj和anj分别表示第m个和第n个染色体上的第j位基因；a'mj和a'nj分别表示交叉后第m个和第n个染色体上的第j位基因；r为交叉系数；
S4.4.4、变异操作，随机选择子种群中的1个个体按照一定概率发生变异产生新个体，变异概率的取值在0-1之间，基因变异的操作为：
其中，a″kl为第k个染色体第l位进行变异后的基因，a'kl为交叉后基因；a'max和a'min分别为交叉后基因a'kl取值的上、下界；f(g)为随机数，f(g)＝λ1(1-g/G)，λ和λ1取值均为[0,1]上的随机数；g为当前进化次数；G为最大进化次数；
S4.4.5、将子种群重插入原始种群中原始数据对应位置，将子种群目标函数重插入原始目标函数，获得新种群和新目标函数，将新种群目标函数中的最小值作为第1代最优解，其所对应的个体即为第1代最优权值和阈值；
S4.4.6、设定终止条件为达到最大迭代次数，当满足终止条件则对最优个体进行解码输出最佳神经网络权值和阈值；否则重新赋值给新建的BP神经网络，重复步骤S4.3-S4.4；
S4.5、将经过改进的遗传算法优化得到的最佳权值和阈值赋给新建的BP神经网络，再次用训练样本对网络进行训练，用测试样本对该模型辨识效果进行验证。
7.根据权利要求1-6中任意一项权利要求所述的基于改进遗传算法优化BP神经网络的驾驶风格辨识方法，其特征在于，构建BP神经网络的拓扑结构：读取聚类分出的3种驾驶类型及其对应的特征参数值，将特征参数值作为BP神经网络的输入，驾驶类型作为期望输出；由输入和期望输出来确定BP神经网络的拓扑结构。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010811106.5A CN112149796A (zh) | 2020-08-13 | 2020-08-13 | 基于改进遗传算法优化bp神经网络的驾驶风格辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010811106.5A CN112149796A (zh) | 2020-08-13 | 2020-08-13 | 基于改进遗传算法优化bp神经网络的驾驶风格辨识方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112149796A true CN112149796A (zh) | 2020-12-29 |
Family
ID=73887997
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010811106.5A Pending CN112149796A (zh) | 2020-08-13 | 2020-08-13 | 基于改进遗传算法优化bp神经网络的驾驶风格辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112149796A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112896185A (zh) * | 2021-01-25 | 2021-06-04 | 北京理工大学 | 一种面向车路协同的智能驾驶行为决策规划方法及系统 |
| CN113085813A (zh) * | 2021-03-29 | 2021-07-09 | 南京航空航天大学 | 基于I-Booster和驾驶个性的电动汽车制动感觉一致性控制方法 |
| CN113252057A (zh) * | 2021-05-13 | 2021-08-13 | 青岛科技大学 | 一种基于高德导航数据的驾驶倾向性辨识方法和系统 |
| CN113255887A (zh) * | 2021-05-25 | 2021-08-13 | 上海机电工程研究所 | 基于遗传算法优化bp神经网络的雷达误差补偿方法及系统 |
| CN116906561A (zh) * | 2023-09-14 | 2023-10-20 | 北京理工大学 | 基于短时驾驶风格识别的车辆换挡点优化控制方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107813820A (zh) * | 2017-10-13 | 2018-03-20 | 江苏大学 | 一种仿优秀驾驶员的无人车换道路径规划方法 |
| CN109165764A (zh) * | 2018-06-26 | 2019-01-08 | 昆明理工大学 | 一种遗传算法优化bp神经网络的线损计算方法 |
| CN110321954A (zh) * | 2019-07-03 | 2019-10-11 | 中汽研（天津）汽车工程研究院有限公司 | 适合国内人群的驾驶风格分类和识别方法及系统 |
| CN111259750A (zh) * | 2020-01-10 | 2020-06-09 | 西北工业大学 | 一种基于遗传算法优化bp神经网络的水声目标识别方法 |
-
2020
- 2020-08-13 CN CN202010811106.5A patent/CN112149796A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107813820A (zh) * | 2017-10-13 | 2018-03-20 | 江苏大学 | 一种仿优秀驾驶员的无人车换道路径规划方法 |
| CN109165764A (zh) * | 2018-06-26 | 2019-01-08 | 昆明理工大学 | 一种遗传算法优化bp神经网络的线损计算方法 |
| CN110321954A (zh) * | 2019-07-03 | 2019-10-11 | 中汽研（天津）汽车工程研究院有限公司 | 适合国内人群的驾驶风格分类和识别方法及系统 |
| CN111259750A (zh) * | 2020-01-10 | 2020-06-09 | 西北工业大学 | 一种基于遗传算法优化bp神经网络的水声目标识别方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112896185A (zh) * | 2021-01-25 | 2021-06-04 | 北京理工大学 | 一种面向车路协同的智能驾驶行为决策规划方法及系统 |
| CN113085813A (zh) * | 2021-03-29 | 2021-07-09 | 南京航空航天大学 | 基于I-Booster和驾驶个性的电动汽车制动感觉一致性控制方法 |
| CN113252057A (zh) * | 2021-05-13 | 2021-08-13 | 青岛科技大学 | 一种基于高德导航数据的驾驶倾向性辨识方法和系统 |
| CN113255887A (zh) * | 2021-05-25 | 2021-08-13 | 上海机电工程研究所 | 基于遗传算法优化bp神经网络的雷达误差补偿方法及系统 |
| CN116906561A (zh) * | 2023-09-14 | 2023-10-20 | 北京理工大学 | 基于短时驾驶风格识别的车辆换挡点优化控制方法及系统 |
| CN116906561B (zh) * | 2023-09-14 | 2023-12-08 | 北京理工大学 | 基于短时驾驶风格识别的车辆换挡点优化控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112149796A (zh) | 基于改进遗传算法优化bp神经网络的驾驶风格辨识方法 | |
| CN111260118B (zh) | 一种基于量子粒子群优化策略的车联网交通流量预测方法 | |
| CN108520155B (zh) | 基于神经网络的车辆行为模拟方法 | |
| CN114170789B (zh) | 基于时空图神经网络的智能网联车换道决策建模方法 | |
| CN112046489B (zh) | 一种基于因子分析和机器学习的驾驶风格辨识算法 | |
| CN108665093A (zh) | 基于深度学习的高速公路交通事故严重度预测方法 | |
| CN111680451A (zh) | 一种微观城市交通在线仿真系统及方法 | |
| CN112560915A (zh) | 一种基于机器学习的城市快速路交通状态识别方法 | |
| CN116432448B (zh) | 基于智能网联车和驾驶员遵从度的可变限速优化方法 | |
| CN111746544B (zh) | 一种体现驾驶员个性化行为的车道变换方法 | |
| CN108985323A (zh) | 一种光伏功率的短期预测方法 | |
| CN112550450B (zh) | 基于K-Means和CART回归树的路感模拟方法 | |
| CN112632706B (zh) | 一种基于gmm和cart回归树的路感模拟方法 | |
| CN113450562B (zh) | 一种基于聚类和图卷积网络的路网交通状态判别方法 | |
| Zhang et al. | A novel support vector machine model of traffic state identification of urban expressway integrating parallel genetic and C-means clustering algorithm | |
| CN113806857A (zh) | 一种基于变分图自编码器的高速列车节能制动方法 | |
| CN112711912A (zh) | 基于云计算和机器学习算法的空气质量监测与告警方法、系统、装置和介质 | |
| CN109492746A (zh) | 基于ga-pso杂交算法的深度信念网络参数优化方法 | |
| CN111862608B (zh) | 车辆行驶路况识别方法、装置、设备及存储介质 | |
| CN102880881A (zh) | 一种基于二类支持向量机和遗传算法的轿车车型识别方法 | |
| CN115083511A (zh) | 基于图表示学习与注意力的外围基因调控特征提取方法 | |
| CN112528568A (zh) | 一种基于K-Means和BP神经网络的路感模拟方法 | |
| CN112241811A (zh) | “互联网+”环境下定制产品的分层混合性能预测方法 | |
| CN112560354B (zh) | 一种基于高斯过程回归的跟车行为建模方法 | |
| CN116523017A (zh) | 训练样本集生成方法、装置、设备以及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240511 Address after: 518000 1104, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province Applicant after: Shenzhen Hongyue Information Technology Co.,Ltd. Country or region after: China Address before: Zhenjiang City, Jiangsu Province, 212013 Jingkou District Road No. 301 Applicant before: JIANGSU University Country or region before: China |